通过自编码器迁移学习实现多保真度气动数据融合
机器学习
2025-12-16 v1 流体动力学
机器学习
摘要
精确的气动预测通常依赖于高保真度仿真；然而，其高昂的计算成本严重限制了它们在数据驱动建模中的适用性。这一限制促使了多保真度策略的发展，该策略利用廉价的低保真度信息而不牺牲准确性。为应对这一挑战，本工作提出了一个多保真度深度学习框架，该框架将基于自编码器的迁移学习与新开发的 Multi-Split Conformal Prediction (MSCP) 策略相结合，以在极端数据稀缺下实现具有不确定性感知的气动数据融合。该方法利用丰富的低保真度 (LF) 数据来学习紧凑的潜在物理表示，该表示作为解码器的冻结知识库，随后使用稀缺的高保真度样本对其进行微调。在 NACA 翼型 (2D) 和跨声速机翼 (3D) 数据库的表面压力分布上进行了测试，该模型成功纠正了 LF 偏差，并使用最少的高保真度训练数据实现了高精度压力预测。此外，MSCP 框架产生了稳健且可操作的不确定性带，其逐点覆盖率超过 95%。通过将极端的数据效率与不确定性量化相结合，本工作为数据稀缺环境中的气动回归提供了一种可扩展且可靠的解决方案。
引用
@article{arxiv.2512.13069,
title = {Multi-fidelity aerodynamic data fusion by autoencoder transfer learning},
author = {Javier Nieto-Centenero and Esther Andrés and Rodrigo Castellanos},
journal= {arXiv preprint arXiv:2512.13069},
year = {2025}
}
备注
29 pages, 13 figures